用于红外宽带吸收器的深度学习网络模型框架

doi:10.12422/j.issn.1006-396X.2023.06.006

摘要/Abstract

摘要：

揭示复杂的光物质相互作用，必须简化超材料的正向和反向按需设计。近年来深度学习作为一种流行的数据驱动方法，在很大程度上缓解了数值模拟耗时长、重经验的特点。提出了一种基于全连接的深度神经网络框架实现宽带吸收器的逆向设计和光谱预测。结果表明，深度神经网络（DNN）模型的准确度为87.47%；与传统的数值算法相比，该模型不仅在确保精确度的同时获得更高的效率，而且可为超材料按需设计性能提供参考。

关键词: 逆设计问题, 石墨烯, 黑磷, 深度学习, 宽带吸收

Abstract:

To reveal complex light?matter interactions, it is necessary to simplify the on?demand design of metamaterials for both forward and inverse applications. Deep learning, a popular data?driven approach, has recently alleviated to a large extent the time?consuming and empirical nature of widely used numerical simulations.A fully?connected deep neural network?based framework for inverse design and spectral prediction of broadband absorbers was proposed.The results demonstrate and validate the high accuracy of the proposed DNN model at 87.47%.The model not only outperform traditional numerical algorithms while ensuring accuracy, but also provides an important reference for on?demand design performance of metamaterials.

Key words: Inverse design problem, Graphene, Black phosphorus, Deep learning, Broadband absorption

中图分类号:

TP183

王璇, 冯乃星, 张玉贤. 用于红外宽带吸收器的深度学习网络模型框架[J]. 石油化工高等学校学报, 2023, 36(6): 57-63.

Xuan WANG, Naixing FENG, Yuxian ZHANG. Deep Learning Neural Network Modeling Framework for Infrared Broadband Absorbers[J]. Journal of Petrochemical Universities, 2023, 36(6): 57-63.

图/表 6

图 1 宽带吸收器结构主视图和各层俯视图

Fig.1 Broadband absorber structure main view top view of each layer

表1 深度学习网络的输入与输出参数

Table 1 Deep learning network inputs and outputs parameters

网络输入与输出	正向参数	逆向参数
输入	a₁、b₁、a₃、b₃、μ_c11、μ_c12、μ_c21、μ_c22、μ_c31、μ_c32	351个采样点组成的吸收光谱序列
输出	351个采样点组成的吸收光谱序列	a₁、b₁、a₃、b₃、μ_c11、μ_c12、μ_c21、μ_c22、μ_c31、μ_c32

图2 深度神经网络模型

Fig.2 Deep neural network model

图3 正向设计和反向设计的损失函数曲线

Fig.3 Loss functions of forward design and reverse design

表2 正向模型相似度评估结果

Table 2 Forward model similarity assessment

相关系数	数值/%
余弦相似度	99.075 256
皮尔逊相关系数	97.739 989
肯德尔相关系数	82.327 078

图4 两组不同的结构体参数经过模型框架获得的吸收率和反射率曲线对比

Fig.4 Comparison of absorbance and reflectance curves obtained after modeling framework for two different sets of structural body parameters

参考文献 33

1	ASHTON M，PAUL J，SINNOTT S B，et al.Topology⁃scaling identification of layered solids and stable exfoliated 2D materials［J］.Physical Review Letters，2017，118（10）：106101.
2	LIU G P，JIN W Q，XU N P.Two⁃dimensional⁃material membranes：A new family of high⁃performance separation membranes［J］.Angewandte Chemie International Edition，2016，55（43）：13384⁃13397.
3	CAO Y，FATEMI V，FANG S A，et al.Unconventional superconductivity in magic⁃angle graphene superlattices［J］.Nature，2018，556（7699）：43⁃50.
4	ROLDÁN R，CASTELLANOS⁃GOMEZ A，CAPPELLUTI E，et al.Strain engineering in semiconducting two⁃dimensional crystals［J］.Journal of Physics：Condensed Matter，2015，27（31）：313201.
5	BURCH K S，MANDRUS D，PARK J G.Magnetism in two⁃dimensional van der Waals materials［J］.Nature，2018，563（7729）：47⁃52.
6	XIE Y N，LIU X Y，LI F J，et al.Ultra⁃wideband enhancement on mid⁃infrared fingerprint sensing for 2D materials and analytes of monolayers by a metagrating［J］.Nanophotonics，2020，9（9）：2927⁃2935.
7	SCHWIERZ F，PEZOLDT J，GRANZNER R.Two⁃dimensional materials and their prospects in transistor electronics［J］.Nanoscale，2015，7（18）：8261⁃8283.
8	NOVOSELOV K S，GEIM A K，MOROZOV S V，et al.Electric field effect in atomically thin carbon films［J］.Science，2004，306（5696）：666⁃669.
9	WANG Y，MAO J，MENG X A，et al.Catalysis with two⁃dimensional materials confining single atoms：Concept，design，and applications［J］.Chemical Reviews，2019，119（3）：1806⁃1854.
10	BONACCORSO F，SUN Z，HASAN T，et al.Graphene photonics and optoelectronics［J］.Nature Photonics，2010，4（9）：611⁃622.
11	LIU X Z，GALFSKY T，SUN Z，et al.Strong light⁃matter coupling in two⁃dimensional atomic crystals［J］.Nature Photonics，2015，9（1）：30⁃34.
12	REN T X，CHEN L.Slow light enabled high⁃modulation⁃depth graphene modulator with plasmonic metasurfaces［J］.Optics Letters，2019，44（22）：5446⁃5449.
13	ZHANG T，LIU Q，DAN Y H，et al.Machine learning and evolutionary algorithm studies of graphene metamaterials for optimized plasmon⁃induced transparency［J］.Optics Express，2020，28（13）：18899⁃18916.
14	RODRIGO D，LIMAJ O，JANNER D，et al.Mid⁃infrared plasmonic biosensing with graphene［J］.Science，2015，349（6244）：165⁃168.
15	MUELLER T，XIA F N，AVOURIS P.Graphene photodetectors for high⁃speed optical communications［J］.Nature Photonics，2010，4（5）：297⁃301.
16	HU G H，KANG J，NG L W T，et al.Functional inks and printing of two⁃dimensional materials［J］.Chemical Society Reviews，2018，47（9）：3265⁃3300.
17	XIANG D，HAN C，WU J，et al.Surface transfer doping induced effective modulation on ambipolar characteristics of few⁃layer black phosphorus［J］.Nature Communications，2015，6：6485.
18	HUANG M Q，WANG M L，CHEN C，et al.Broadband black⁃phosphorus photodetectors with high responsivity［J］.Advanced Materials，2016，28（18）：3481⁃3485.
19	ABBAS A N，LIU B L，CHEN L，et al.Black phosphorus gas sensors［J］.ACS Nano，2015，9（5）：5618⁃5624.
20	LI L K，YU Y J，YE G J，et al.Black phosphorus field⁃effect transistors［J］.Nature Nanotechnology，2014，9（5）：372⁃377.
21	DAI J，ZENG X C.Bilayer phosphorene：Effect of stacking order on bandgap and its potential applications in thin⁃film solar cells［J］.The Journal of Physical Chemistry Letters，2014，5（7）：1289⁃1293.
22	QIAO J S，KONG X H，HU Z X，et al.High⁃mobility transport anisotropy and linear dichroism in few⁃layer black phosphorus［J］.Nature Communications，2014，5（1）：4475.
23	HIGASHITARUMIZU N，UDDIN S Z，WEINBERG D，et al.Anomalous thickness dependence of photoluminescence quantum yield in black phosphorous［J］.Nature Nanotechnology，2023，18（5）：507⁃513.
24	QIU T S，SHI X，WANG J F，et al.Deep learning：A rapid and efficient route to automatic metasurface design［J］.Advanced Science，2019，6（12）：1900128.
25	PEURIFOY J，SHEN Y C，JING L，et al.Nanophotonic particle simulation and inverse design using artificial neural networks［J］.Science Advances，2018，4（6）：eaar4206.
26	KOZIEL S，ABDULLAH M.Machine⁃learning⁃powered EM⁃based framework for efficient and reliable design of low scattering metasurfaces［J］.IEEE Transactions on Microwave Theory and Techniques，2021，69（4）：2028⁃2041.
27	RODRIGUEZ J A，ABDALLA A I，WANG B，et al.Inverse design of plasma metamaterial devices for optical computing［J］.Physical Review Applied，2021，16（1）：014023.
28	HE W B，TONG M Y，XU Z J，et al.Ultrafast all⁃optical terahertz modulation based on an inverse⁃designed metasurface［J］.Photonics Research，2021，9（6）：1099.
29	YUAN L，WANG L，YANG X S，et al.An efficient artificial neural network model for inverse design of metasurfaces［J］.IEEE Antennas and Wireless Propagation Letters，2021，20（6）：1013⁃1017.
30	CEN C L，YI Z，ZHANG G F，et al.Theoretical design of a triple⁃band perfect metamaterial absorber in the THz frequency range［J］.Results in Physics，2019，14：102463.
31	CAI Y J，XU K D，FENG N X，et al.Anisotropic infrared plasmonic broadband absorber based on graphene⁃black phosphorus multilayers［J］.Optics Express，2019，27（3）：3101⁃3112.
32	SENSALE⁃RODRIGUEZ B，YAN R S，KELLY M M，et al.Broadband graphene terahertz modulators enabled by intraband transitions［J］.Nature Communications，2012，3（1）：780.
33	MUKAKA M M.Statistics corner：A guide to appropriate use of correlation coefficient in medical research［J］.Malawi Medical Journal，2012，24（3）：69⁃71.

[1]	孙家明, 陈东洋, 陈皓男, 陈炤汝, 刘晓旭. 石墨烯/聚酰亚胺纳米复合材料的研究进展[J]. 石油化工高等学校学报, 2023, 36(6): 1-12.
[2]	陶穆楠, 谷雯惠, 焦体峰. 氧化石墨烯基复合薄膜材料的制备技术及应用进展[J]. 石油化工高等学校学报, 2023, 36(6): 13-23.
[3]	盛大伟, DIN HASEEB UD, 张济原, 刘晓旭. 还原氧化石墨烯微观结构调控及储钠性能研究[J]. 石油化工高等学校学报, 2023, 36(6): 48-56.
[4]	贺柳洋, 李晓杰, 王婵, 段春阳. 石墨烯掺杂对三元钠离子电池正极材料电化学性能的影响[J]. 石油化工高等学校学报, 2023, 36(6): 64-72.
[5]	杨志远, 邹怡, 王金刚. 转角双层石墨烯纳米片单、双光子吸收特性研究[J]. 石油化工高等学校学报, 2023, 36(6): 73-82.
[6]	冯莲晶, 王利娟. Sn₄P₃⁃G@C负极在锂离子电池中的应用[J]. 石油化工高等学校学报, 2023, 36(1): 66-73.
[7]	汤梦瑶, 孙天一, 李佳书, 丁延, 李进龙. 石墨烯与碳纳米管氢吸附性能的分子模拟[J]. 石油化工高等学校学报, 2022, 35(4): 10-17.
[8]	王一明，黄玮，丛玉凤. 新型GO/MoS₂复合电极的制备及对铅离子的吸附[J]. 石油化工高等学校学报, 2021, 34(1): 28-33.
[9]	朱洲, 战国华, 张斌, 赵健. 氧化石墨烯对 HP AM 溶液黏度行为的影响[J]. 石油化工高等学校学报, 2015, 28(4): 31-34.